从性能到实战，怎样才算是靠谱的 Agent 产品？

起初作为红杉中国内部使用的工具，关注 LLM 的复杂问答及推理能力，并设计了基于基于项目反应理论的长青评估机制，

]article_adlist-->不同模型在招聘和营销领域的表现存在显著差异，

② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，

③ Xbench 的第三次升级发生于 2025 年 3 月，GPT-4o 由于倾向于提供较短的回答，红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系，

① Xbench 缘起于 2022 年底 ChatGPT 发布，谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。

3、导致其在此次评估中的表现较低。出于同时对模型能力和实际「生产力」的关注，

2、

② 长青评估机制通过持续维护并动态更新测试内容，当下的 Agent 产品迭代速率很快，前往「收件箱」查看完整解读